面向在线社交网络的时间感知与上下文感知深度信任预测

信任可被定义为一种度量,用于判定哪些信息源是可靠的,以及我们应与谁共享信息或从谁那里接受信息。在线社交网络(OSNs)中信任有多种应用,包括社交垃圾信息发布者检测、假新闻检测、转推行为检测与推荐系统。信任预测是对当前未连接的两用户间新信任关系进行预测的过程。在信任应用中,需要预测用户间的信任关系。该过程面临诸多挑战,如用户指定信任关系的稀疏性、信任的上下文感知性以及信任值随时间的演变。本学位论文分析了OSNs中成对信任预测模型的研究现状。我们讨论了该领域的三大主要挑战,并提出了新颖的信任预测方法来应对它们。我们首先致力于提出一种融合用户人格特质作为附加信息的低秩用户表示。随后,我们提出一组上下文感知信任预测模型。最后,通过考虑信任关系的时间依赖性,我们提出了一种动态深度信任预测方法。我们设计并实现了五种成对信任预测方法,并使用从OSNs收集的真实数据集进行评估。实验结果表明,与其他最先进的成对信任预测模型相比,我们的方法有效。